Интерпретируемость модели не зависит от того, какой метод машинного обучения вы используете (какой модельный субстрат, например, нейронные сети против графических моделей против символического кода). Любой субстрат может быть интерпретируемым, если модель достаточно мала. Это чисто вопрос размера/сложности модели. Поведение сложной кодовой базы или сложной графической модели не интерпретируемо, несмотря на то, что вы можете локально прочитать любой фрагмент того, что она делает. Возможно, она *отлаживаема* в конкретных случаях с большими усилиями — но то же самое справедливо и для нейронных сетей. На мой взгляд, утверждение "мы должны использовать интерпретируемые методы" является неуместным, это означает, что вы хотите ограничить себя игрушечными моделями.

Говорить, что глубокое обучение — это "просто куча матричных умножений", так же информативно, как говорить, что компьютеры — это "просто куча транзисторов" или что библиотека — это "просто много бумаги и чернил." Это правда, но кодирующая основа здесь — наименее важная часть. Интересны и полезны программы, которые кодируются: что они могут делать, что они не могут делать, насколько хорошо они обобщают, насколько эффективно их можно обучить и т.д.

Не уверен, что инфляция USD когда-либо снова будет ниже 2% в течение моей жизни.